提高基于Dempster-Shafer理论的异常检测系统的准确性

尽管Dempster-Shafer证据理论已广泛用于异常检测，但它们仍存在一些问题。 证据的Dempster-Shafer理论平等地信任证据，这在分布式传感器ADS中不成立。 此外，有时证据彼此依赖，这将导致虚假警报。 我们建议通过合并两种算法来进行改进。 特征选择算法采用高斯图形模型来发现某些候选特征之间的相关性。 选择一组合适的ADS进行检测，并将检测结果发送到融合引擎。 信息增益应用于权重估计算法中每个功能的权重设置。 加权的Dempster-Shafer证据理论结合了检测结果，以实现更好的准确性。 我们通过使用标准基准威斯康星州乳腺癌数据集和实际Internet流量进行的一组实验来评估我们的检测原型。 对威斯康星州乳腺癌数据集的评估表明，我们的原型可以找到9个特征之间的相关性，并提高检出率，而不会影响假阳性率。 对Internet流量的评估表明，权重估计算法可以显着提高检测性能。